Ostravská univerzita Pedagogická fakulta
Metody umělé inteligence ve vzdělávacím procesu Artificial Intelligence Methods in Educational Process Autoreferát k disertační práci
Studijní program:
Obor:
2015
Specializace v pedagogice P 7507
Informační a komunikační technologie ve vzdělávání 7507V066
Disertant:
Mgr. Zdeňka Krišová Ostravská univerzita, Pedagogická fakulta katedra informačních a komunikačních technologií Fráni Šrámka 3, 709 00 Ostrava-Mariánské Hory
Školitel:
prof. Dr. Ing. Miroslav Pokorný Ostravská univerzita, Pedagogická fakulta katedra informačních a komunikačních technologií Fráni Šrámka 3, 709 00 Ostrava-Mariánské Hory
Obhajoba disertační práce se uskuteční v pondělí 14. září 2015 v 11 hodin v zasedací místnosti SA 407 Ostravská univerzita, Pedagogická fakulta katedra informačních a komunikačních technologií Fráni Šrámka 3, 709 00 Ostrava-Mariánské Hory Oponenti: prof. Ing. Cyril Klimeš, CSc., OU prof. PhDr. Jiří Mareš, CSc., UK Komise pro obhajobu disertační práce: Předseda: doc. RNDr. Jana Kapounová, CSc., OU, předseda Členové: doc. Ing. Beránek Ladislav, CSc., JU prof. Ing. Cyril Klimeš, CSc., OU doc. Ing. Kateřina Kostolányová, Ph.D., OU prof. RNDr. Alena Lukasová, CSc., OU doc. PhDr. Josef Malach, CSc., OU prof. PhDr. Jiří Mareš, CSc., UK prof. Dr. Ing. Miroslav Pokorný, VŠB-TU, Ostrava doc. RNDr. Jana Šarmanová, CSc., OU doc. PhDr. Ivana Šimonová, Ph.D., UHK
Autoreferát byl rozeslán dne 14. 8. 2015 S disertací se lze seznámit na katedře informačních a komunikačních technologií Pedagogické fakulty Ostravské univerzity v Ostravě Fráni Šrámka 3, 709 00 Ostrava-Mariánské Hory od 14. 8. 2015. Bibliografická identifikace Jméno a příjmení autora: Mgr. Zdeňka Krišová Název disertační práce: Metody umělé inteligence ve vzdělávacím procesu Název disertační práce anglicky: Artificial Intelligence Methods in Educational Process Školitel: prof. Dr. Ing. Miroslav Pokorný Školitel specialista/konzultant: Rok obhajoby: 2015
Abstrakt Téma disertační práce je zaměřeno do oblasti vývoje adaptivního e-learningu a inteligentního výukového softwaru. Takové programy se přizpůsobují studentovi, respektují jeho individuální učební vlastnosti a potřeby a zefektivňují a urychlují proces učení. K adaptaci výuky lze využít různé technologie, v současné době se stále častěji uplatňují nástroje a metody vědního oboru umělá inteligence, především expertní systémy. Cílem disertační práce je návrh struktury, funkcí a algoritmů adaptivního systému řízení výuky, využívajícího přístupů a nástrojů umělé inteligence, jeho implementace, simulační a experimentální ověření funkcí systému. V teoretické části práce se zabýváme zasazením problematiky do kontextu výuky a vzdělávání pomocí e-learningu a uvádíme stručný přehled o současném stavu poznání a řešení problematiky českými i zahraničními odborníky. Představíme strukturu adaptivního výukového systému a detailněji popíšeme funkce jeho adaptačních smyček a podpůrných bloků. V praktické části práce popíšeme implementaci výukového systému, ověření jeho funkcí pomocí simulačních pokusů. Zabýváme se také přípravou a realizací pedagogického experimentu. Pomocí pedagogického experimentu a analýzou dat získáme odpovědi na otázky výzkumu a hypotézy zformulované v disertační práci. V závěru uvádíme výsledky, k nimž jsme řešením tématu disertační práce dospěli, spolu s doporučeními pro další výzkum a vývoj.
Klíčová slova inteligentní výukový systém, umělá inteligence, učební styl, elektronické vzdělávání, adaptivní výukový systém, personalizace výuky, expertní systém, fuzzy logika
Abstract Dissertation topic is focused in the development of adaptive e-learning and intelligent educational software. Such programs are adapted to the student, respecting their individual learning characteristics and needs, and streamline and accelerate the learning process. To adapt teaching to use various technologies currently increasingly apply tools and methods of discipline artificial intelligence, especially expert systems. The aim of the dissertation is to design the structure, functions and algorithms of adaptive learning management system, utilizing approaches and tools of artificial intelligence, implementation, simulation and experimental verification of system functions. The theoretical part of the deal by putting the issue in the context of teaching and learning via e-learning and a brief overview of the current state of knowledge and solving problems of Czech and foreign experts. We introduce a structure of adaptive learning system and describe in detail its features and support adaptation loop blocks. In the practical part we will describe the implementation of the educational system, verifying its functions through simulation experiments. We are also preparing and implementing pedagogical experiment. Using pedagogical experiment and analysis of data obtained answers to research questions and hypotheses formulated in the thesis. In conclusion, we report the results for which we have solutions dissertation topic came, along with recommendations for further research and development.
Key words intelligent educational system, artificial intelligence, learning style, e-learning, adaptive learning system, personalization of teaching, expert system, fuzzy logic
Abstrakt Dissertationsthema ist in der Entwicklung von adaptiven E-Learning und intelligente Lernsoftware konzentriert. Solche Programme werden dem Schüler angepasst, Wahrung ihrer individuellen Lern Eigenschaften und Bedürfnisse, und zu rationalisieren und beschleunigen den Lernprozess. Den Unterricht, um verschiedene Technologien nutzen derzeit zunehmend Instrumente und Methoden der Disziplin der künstlichen Intelligenz, insbesondere Expertensysteme gelten anzupassen. Das Ziel der Dissertation ist es, die Struktur, die Funktionen und Algorithmen der adaptiven Lernmanagement -System zu entwerfen, nutzen Ansätze und Instrumente der künstlichen Intelligenz, Implementierung, Simulation und experimentelle Verifikation von Systemfunktionen. Der theoretische Teil der Vereinbarung, indem sie das Problem im Zusammenhang mit Lehren und Lernen via E-Learning und einem kurzen Überblick über den aktuellen Stand des Wissens und der Lösung von Problemen der tschechischen und ausländischen Experten. Wir stellen die Struktur der adaptiven Lernsystem und beschreiben detailliert den Funktionen adaptive Loops und Stützeinheiten. Der praktische Teil wird die Umsetzung des Bildungssystems zu beschreiben, dessen Funktionen durch Simulationsexperimente zu überprüfen. Wir beschäftigen uns auch mit der Vorbereitung und Durchführung von pädagogischen Experiments. Verwendung pädagogischen Experiment und Analyse von Daten erhaltenen Antworten auf Fragen und Hypothesen in der Dissertation formuliert erforschen. Abschließend berichten wir über die Ergebnisse, für die wir Lösungen Dissertationsthema haben kam, zusammen mit Empfehlungen für die weitere Forschung und Entwicklung.
Klíčová slova intelligente Tutorensystem, künstliche Intelligenz, Lernstil, E-Learning, adaptive Lernsystem, die Personalisierung von Lehre, Expertensysteme, Fuzzy-Logik
Obsah 1
ÚVOD .................................................................................................... 8 1.1
Formulace výzkumného problému a otázek výzkumu ................. 9
1.2
Deklarace cílů práce.................................................................... 10
1.3
Metody práce ............................................................................. 12
2
Přehled současného stavu řešení tématu .......................................... 15
3
PRAKTICKÁ ČÁST ................................................................................. 20 3.1
Struktura adaptivního výukového systému ADEPT .................... 20
3.2
Rozhodovací expertní systémy ................................................... 22
Expertní systém ES1 ........................................................................... 22 Expertní systém ES2 ........................................................................... 24 3.3
Adaptační procedury systému ADEPT ........................................ 26
3.4
Řešení obslužných bloků............................................................. 28
3.4
Programová realizace systému ADEPT.................................. 31
3.5
Průběh a výsledky pedagogického experimentu ........................ 33
4
Shrnutí výsledků pedagogického experimentu .................................. 36
5
ZÁVĚR.................................................................................................. 39
Seznam literatury použité v disertační práci............................................. 43 Seznam publikací autora............................................................................ 51 Profesní curriculum vitae........................................................................... 54
1 ÚVOD Informační a komunikační technologie (ICT) se dnes užívají běžně a jsou nedílnou součástí našeho života. Život bez nich si dnes jen málokdo dokáže představit. Dnešní společnost je proto často nazývána společností informační. Technické vymoženosti, běžné z denního života, pronikají i do škol a ovlivňují proces vzdělávání. Školy jsou nuceny reagovat na nárůst potřeby práce s ICT a přizpůsobovat se mu. Velká pozornost je proto kromě zavádění informačních technologií do klasického vyučování věnována i elektronické formě výuky – e-learningu (Sak a Mareš, 2007). Pomocí e-learningu lze zatraktivnit výuku, zpřístupnit ji širokému okruhu studentů a zkvalitnit studijní materiály doplněním multimediálních prvků. V literatuře lze najít řadu doporučení, teorií a pravidel, jejichž cílem je zefektivnění výuky pomocí nových technologií. Ve výukovém procesu je ale důležitou osobou student se svými individuálními vlastnostmi a potřebami, které často ve výuce nejsou zohledňovány. Jinak řečeno jsou opomíjeny studentovy preference při učení, jeho učební styl. Mnoho pedagogů a psychologů ve světě i České republice si tento problém nejen uvědomilo, ale rozhodlo se jej řešit. Je snahou vytvořit takové prostředí, které se přizpůsobí učebním charakteristikám studenta a motivuje jej natolik, že je ochoten učit se sám, bez nucení. Hovoříme pak o adaptaci, individualizaci a personalizaci výuky. Elektronické vzdělávání přispívá k individualizaci výuky, kdy každý student preferuje svůj vlastní styl učení. Aby však výuka mohla být individuální, musí docházet k jejímu přizpůsobování, tedy k její adaptaci podle potřeb studenta a podle aktuálních výsledků 8
výukového procesu (Kostolányová, 2012). To je cílem adaptivních výukových systémů, které představují jeden z hlavních směrů současného i budoucího vývoje elektronického vzdělávání. K adaptaci výuky lze použít nástrojů umělé inteligence - vědy, která se zabývá tím, jak počítačově řešit úlohy, které dnes zatím zvládají lépe lidé (Knight a Rich, 1991). Umělá inteligence volně sdružuje různorodé teorie, metody a techniky, které lze úspěšně používat k počítačovému řešení některých složitých úloh rozhodování, plánování a diagnostiky. Z těchto důvodů nachází uplatnění i v oblasti řízení výukového procesu. K nejvíce prakticky rozšířeným nástrojům vědního oboru umělá inteligence patří expertní systémy, které lze využít k adaptaci výuky a které na základě znalostí o studentovi dokáží navrhnout jeho efektivní způsob učení. Předkládaná práce se zabývá problematikou využití metod umělé inteligence v e-learningových systémech.
1.1
FORMULACE VÝZKUMNÉHO PROBLÉMU A OTÁZEK VÝZKUMU
V rámci řešení disertační práce jsme definovali tento hlavní výzkumný problém: Lze pomocí metod umělé inteligence přizpůsobit výuku individuálním potřebám studenta a tím zvýšit efektivitu jeho učení? Abychom mohli potvrdit platnost formulace výzkumného problému, stanovili jsme tři výzkumné otázky:
9
1. 2.
3.
Je úroveň znalostí obou skupin studentů (experimentální i kontrolní) před zahájením výuky srovnatelná? Jaký je rozdíl v úrovni znalostí před a po ukončení výuky u obou sledovaných skupin (kontrolní skupiny a skupiny experimentální)? Jaký byl nárůst znalostí (progres) u obou srovnávaných skupin – skupiny kontrolní i skupiny experimentální?
Odpověď na položené otázky jsme hledali řešením tématu disertační práce a volbou vhodných metod výzkumu.
1.2
DEKLARACE CÍLŮ PRÁCE
Cílem disertační práce je návrh struktury, funkcí a algoritmů adaptivního systému řízení výuky, využívajícího přístupů a nástrojů umělé inteligence, jeho implementace a simulační a experimentální ověření funkcí tohoto systému v terciárním stupni vzdělávání. Z hlavního cíle práce vyplynuly tyto dílčí cíle: -
-
analýza současného stavu e-learningových systémů, především z pohledu jejich adaptivity a personalizace, návrh struktury a vazeb nového adaptivního e-learningového systému výuky s využitím prvků umělé inteligence – expertních systémů, výběr vlastností studenta, které lze využít pro řízení e-learningu, návrh učebních materiálů pro konkrétní učební styl studenta, návrh a systémová specifikace fuzzy-logických expertních rozhodovacích modulů, 10
-
-
návrh vyhodnocovacích, vstup/výstupních bloků a bloků přípravy dat, návrh původních pravidlových fuzzy orientovaných jazykových modelů rozhodovacích procedur využívajících metod fuzzy-logiky, implementace rozhodovacích fuzzy modulů v prostředí LFLC, implementace úplné struktury sekvenčního systému v prostředí Matlab-Simulink, simulační ověření funkce rozhodovacích fuzzy modulů v prostředí Matlab-Simulink, organizace a provedení pedagogického experimentu s cílem ověření funkčnosti systému ve výuce, statistické vyhodnocení dosažených výsledků s cílem ověření platnosti výzkumných hypotéz.
Příspěvek k rozvoji teorie oboru disertace (Informační a komunikační technologie ve vzdělávání) bude spočívat v - návrhu původní struktury a funkcí zpětnovazebního adaptivního výukového systému, využívajícího fuzzylogických rozhodovacích metod umělé inteligence, - návrhu původních jazykových modelů bází znalostí fuzzylogických expertních systémů pro řešení stěžejních rozhodovacích úloh, - návrhu a realizaci variant učebních textů vybrané partie učiva pro účely jejich použití v adaptivních procedurách systému. Příspěvek k rozvoji praxe bude spočívat v - úplné programové implementaci navrženého systému v prostředí LFLC (Linguistic Fuzzy Logic Controller), odladění 11
-
1.3
jazykových modelů expertních systémů a funkce celého systému v prostředí Matlab – Simulink, ověření efektivity funkce systému v pedagogickém experimentu.
METODY PRÁCE
V rámci disertační práce jsme navrhli adaptivní výukový systém, který k řízení výuky využívá techniky a nástroje umělé inteligence. Očekáváme, že studenti, kteří se budou učit pomocí vytvořeného výukového systému, budou mít vyšší míru vědomostí v oblasti prezentovaného učiva než studenti, kteří absolvují klasickou formu výuky. Na základě tohoto předpokladu jsme zformulovali hlavní nulovou a alternativní hypotézu: H0: Studenti, učící se pomocí vytvořeného výukového systému, nedosahují lepších studijních výsledků než studenti, kteří absolvují klasickou formu výuky. H1: Studenti, učící se pomocí vytvořeného výukového systému, dosahují lepších studijních výsledků než studenti, kteří absolvují klasickou formu výuky. Ověření našeho předpokladu a efektivity výukového systému bylo provedeno srovnáním studijních výsledků dvou skupin studentů: -
skupiny kontrolní, které byla učební látka přednesena standardním způsobem v rámci tutoriálů, skupiny experimentální, která se učila pomocí navrženého výukového systému. 12
Abychom mohli vyvrátit (falzifikovat) nebo potvrdit (verifikovat) hlavní hypotézu, bylo třeba ověřit v rámci pedagogického experimentu několik okolností, které s ní souvisí. Ty vzhledem k rozsahu autoreferátu neuvádíme a odkazujeme na disertační práci autorky. Pro řešení jednotlivých částí disertační práce jsme zvolili jak konvenční, tak nekonvenční metody řešení. Konvenční metody byly použity pro získávání informací o studijních vlastnostech a znalostech studentů – metoda dotazníková, didaktický test. Nekonvenční metody umělé inteligence byly pak použity pro řešení rozhodovacích úloh. Konkrétně byla využita metoda fuzzy-logických expertních systémů, které jsou určeny pro zpracování neurčité, ne zcela přesné nebo neúplné informace. Pro formalizaci obecného modelu řešeného problému byly použity pravidlové jazykové modely, pro formalizaci vágnosti slovních výrazů pak metody fuzzy množinové matematiky. Realizace vyvozovacích algoritmů je založena na principech fuzzy logiky. Pro ověřování vzdělávacího přínosu systému ADEPT jsme zvolili kvantitativní metodu pedagogického experimentu. V pedagogickém experimentu jsme využili techniku paralelních skupin v kombinaci s modifikovanou formou techniky „jedna skupina před – po“ (Kerlinger, 1972). Do každé skupiny – kontrolní a experimentální bylo náhodně vybráno 20 studentů. Náhodný výběr byl realizován pomocí generátoru náhodných čísel v prostředí EXCEL. Ověření znalostí obou skupin bylo provedeno stejným didaktickým testem, který byl studentům předložen na začátku (pretest) a po ukončení (posttest) jejich učení. 13
Pro vyhodnocení experimentu byly použity metody předsledného a vlastního statistického zpracování výběrových datových souborů, získaných v jeho průběhu. Byly použity statistické metody, určené pro korektní analýzu malých souborů s ne zcela přesně definovaným rozložením hustoty pravděpodobnosti. V závěru řešení byly využity metody dokazování platnosti vyslovených statistických hypotéz o vlastnostech datových souborů.
14
2 PŘEHLED SOUČASNÉHO STAVU ŘEŠENÍ TÉMATU V 90. letech minulého století dochází k rychlému rozvoji informačních a komunikačních technologií, což se projevilo i v oblasti vzdělávání. S příchodem internetu došlo ke značnému rozvoji elektronického vzdělávání. Využívání informačních a komunikačních technologií (ICT) v procesu učení nazýváme e-learning, elektronické učení. Z psychologického hlediska je e-learning učení, které řídí počítačový program. Kvalita takového programu závisí na tom, jak se dokáže přizpůsobit zvláštnostem studenta, kterého má něco naučit. Je snahou vytvořit takové prostředí, které žáka motivuje k učení a zároveň akceptuje jeho individualitu. Systémy řízení lidského učení musí dle Kuliče zjistit před započetím řízení nejdůležitější charakteristiky studenta, získávat data o studentovi z průběhu jeho učení a zaznamenat změny v studentově učení i v jeho osobnosti po ukončení řízení (Kulič, 1992). Systémy, které toto dokáží, se nazývají personalizované e-learningové systémy. Chceme-li vytvořit kvalitní personalizovaný e-learningový systém, měli bychom znát a pracovat s těmito psychologickými modely: -
modelem studenta, jehož učení systém řídí (s jeho osobnostními zvláštnostmi, silnými i slabými stránkami, osobními cíli i dosavadními znalostmi z daného předmětu),
15
-
-
modelem studentova učení, které má systém umožnit (zejména s jeho převládajícím stylem učení, pojetím učení), modelem učiva, které se má student prostřednictvím systému naučit, modelem autoregulace studentova učení, tj. úrovně, na níž už student sám dokáže řídit své učení a nepotřebuje tolik vnější řízení, modelem vyučování, tj. modelem vnějšího řízení studentova učení, které adaptivně přizpůsobuje učivo individualitě studenta a prezentuje jej způsobem, který zohledňuje studentovy preference. Má-li student s učením problémy, systém modifikuje výkladové pasáže, cíleně vybírá učební úlohy a poskytuje zpětnou vazbu o úspěšném řešení úloh, či chybách, kterých se student dopustil. Podle míry úspěšnosti studenta, systém volí další postup (Mareš, 2013).
Elektronické vzdělávání přispívá k individualizaci učení. Aby však výuka mohla být individuální, musí docházet k jejímu přizpůsobování, tedy k její adaptaci podle potřeb studenta. To je cílem adaptivních výukových systémů, které představují jeden z hlavních směrů současného i budoucího vývoje elektronického vzdělávání. Adaptace výuky může nabývat mnoha forem, které lze rozdělit do následujících kategorií: -
adaptace uživatelského rozhraní, adaptace obsahu výuky, adaptace vyhledávání a sestavování obsahu výuky, 16
-
adaptivní podpora spolupráce (Kostolányová, 2012, cit. dle Oppermann, 1994).
Adaptivní výuce se vzdáleně přibližuje Systém AHA (Adaptive Hypermedia Architecture) – adaptivní hypermediální výukový systém (Bureš a Jelínek, 2004; Paramythis & Loidl-Reisinger, 2004), který je založen na myšlence adaptivního webu. Web je přizpůsobován potřebám studenta na základě jeho chování při práci s hypermediálním systémem. AHA ovšem nezohledňuje psychologicko-pedagogické vlastnosti studenta. Problematikou adaptivních systémů se dlouhodobě zabývá Peter Brusilovsky. Ve své práci se změřil na adaptivní hypermédia a adaptivní web. Brusilovsky rozumí pod pojmem adaptivní hypermediální systém takový systém, který splňuje tři kritéria: jedná se o hypertextový nebo hypermediální systém, měl by mít model uživatele a měl by být schopen adaptovat hypermédia pomocí tohoto modelu (Brusilovsky, 2001, 2003). V adaptivních výukových systémech mohou být uplatněny metody umělé inteligence, které formalizují mentální modely zkušených pedagogů – expertů v oblasti vedení a řízení výukového procesu. Zorica Nedic, Vladimir Nedic a Jan Machotka (Nedic, Z., Nedic, V. and J. Machotka, 2002) navrhli expertní systém, který slouží jako doučovací systém k sjednocení znalostí studentů 1. ročníku technických oborů, s cílem napomoci jim zvládnut pokročilejší témata v odborných předmětech v dalších letech studia. Tento expertní systém, využívající metod fuzzy logiky, může adaptivně upravit kurz pro každého konkrétního studenta na základně jeho 17
učebního tempa, sleduje pokrok studenta a má schopnost učinit rozhodnutí o dalším kroku v oblasti odborné přípravy. Začleněním fuzzy logiky do procedur expertního systému lze zabezpečit výkonnost a spolehlivost expertního systému v rozhodování. Fuzzy-logické expertní systémy dokáží zpracovat neurčitou informaci. V poslední době se mnoho výzkumníků na celém světě zabývá otázkou, jak aplikovat fuzzy logiku do oblasti vzdělávání. Byly učiněny pokusy využít fuzzy-logické přístupy k hodnocení kvality vzdělávání, klasifikaci studentů. Chiang a Lin (Chiang and Lin, 1994) představili metodu pro použití teorie fuzzy množin k hodnocení výuky a měření výkonnosti vzdělávací instituce. Bai a Chen (Bai and Chen, 2006) předložili novou metodu pro hodnocení studijních výsledků studentů s využitím fuzzy množin a fuzzy pravidel. Popisují způsob, jak odlišit pořadí studentů se stejným studijním výsledkem. Ma a Zhou (Ma and Zhou, 2000) představili fuzzy-množinový přístup k posouzení výsledků studentova učení. Systém komplexního adaptivního modelu výuky, který je založený na zjištění osobních charakteristik studenta, vytvoření vhodného adaptivního studijního materiálu a formulaci adaptivních algoritmů, vznikl i na Pedagogické fakultě v Ostravě. Skupina pedagogů, psychologů a informatiků využila při tvorbě teorie adaptivní výuky základní myšlenky programovaného učení. Vznikl tak inteligentní výukový systém Barborka, který je tvořen ze tří modulů – modulu studenta, modulu autora a modulu experta. Barborka adaptuje obsah výuky podle různých učebních charakteristik a stylů učení jedince. Pracuje s podrobně rozčleněným studijním materiálem, 18
který je připraven v několika smyslových variantách a stupních náročnosti. Výuku ve výukovém systému řídí algoritmus, jehož parametry nastavuje expert na adaptivní výuku – virtuální učitel, který na základě zjištěných informací určuje optimální způsob výuky (Takács, 2014); (Kostolányová, 2012). Jak již bylo řečeno, adaptivní výukové systémy využívající expertní systémy se dnes vyvíjejí a testují v řadě odborných pracovišť po celém světě. Většina autorů těchto systémů však nevyužívá významnou schopnost expertních systémů - efektivně zpracovávat informace zatížené neurčitostí. Předložená disertační práce je příspěvkem k řešení tohoto problém. Vychází z výzkumů Pedagogické fakulty Ostravské univerzity (Kostolányová, 2012), které rozšiřuje a doplňuje o rozhodovací fuzzy-logické expertní moduly (nástroje umělé inteligence) a zavádí adaptivní zpětnou vazbu pro cílené řízení výuky.
19
3 PRAKTICKÁ ČÁST 3.1
STRUKTURA ADAPTIVNÍHO VÝUKOVÉHO SYSTÉMU ADEPT
Funkční bloková struktura původního počítačového výukového systému ADEPT (The Adaptive Educational Programme Tool) je představena pomocí blokového schématu na Obr. 1 (Krišová a Pokorný, 2015). Základ výukového systému tvoří dvě adaptační smyčky – AS1 a AS2. Smyčky obsahují potřebné moduly pro přípravu dat, rozhodování a větvení programu. První adaptační smyčka AS1 realizuje výběr nejvhodnější varianty studijních materiálů dle individuálních vlastností studenta. Druhá adaptační smyčka AS2 modifikuje jazykový model určením vhodných studijních materiálů. Po ukončení výuky program zjišťuje názor studenta na průběh výuky. Hlavním cílem je ověřit, zda se student učil dle doporučené verze studijního materiálu nebo zvolil verzi jinou.
20
S k1 = 0 k2 = 0 k3 = 0
P=1
AS1 OSOBNÍ DOTAZNÍK (EXCEL)
–
ki ≥ 9, i = 1, 2, 3
EVALUAČNÍ DOTAZNÍK
ARCHIV DAT
+ ES1 (LFLC)
RA wRA (STUDENT)
VYLOUČENÍ ki i = 1, 2, 3
RB wRB (ES2)
ES2 (LFLC) +
UČENÍ
AS2
S OSOBNÍM DOTAZNÍKEM
RA º RB
–
–
+ –
CS
P=P+1
wRA = 0,5 wRB = 0,75
+ TEST ZNALOSTÍ
+ P≤3
wRB ≤ 0,25
+
– –
–
ZAŘAZENÍ RA wRA = wRA + 0,25 DO BÁZE ES2 wRB = wRB – 0,25
k1˄k2˄k3 ≥ 9 + K
Obr. 1. - Blokové schéma systému ADEPT
21
3.2
ROZHODOVACÍ EXPERTNÍ SYSTÉMY
Expertní systém ES1 Expertní systém ES1 slouží k diagnostice učebního stylu studenta před začátkem resp. v procesu jeho učení. Jeho vstupní a výstupní jazykové proměnné jsou uvedeny v Tab.1 a Tab.2. Rozsah Jazykové hodnoty univerza GRAFICKÉ SMYSLOVÉ VNÍMÁNÍ SV [0, 15] VERBÁLNÍ HOLISTA POSTUP UČENÍ PU [0, 15] DETAILISTA TEORETIK ZPŮSOB ZPRACOVÁNÍ ZZI [0, 15] INFORMACE PRAKTIK INTROVERT SOCIÁLNÍ ASPEKT SA [0,15] EXTROVERT Jazyková proměnná
Id
Id GRA VER HOL DET TEO PRA INT EXT
Tab. 1 – Vstupní jazykové proměnné modulu ES1
Jazyková proměnná
Id
Jazyková hodnota
Id
REFLEXIVNÍ
REF
REFLEXIVNĚ-AKTIVNÍ
RA
AKTIVNĚ- REFLEXIVNÍ AKTIVNÍ VIZUÁLNÍ TYP VIZUÁLNÍ nebo VERBALNÍ VIZ/SLO SLOVNÍ HOLISTA TYP HOLISTA Nebo DETAILISTA HOL/DET DETAILISTA
AR AKT VIZ SLO HOL DET
TYP REFLEXIVNÍ nebo AKTIVNÍ
REF/AKT
Tab. 2 – Výstupní jazykové proměnné modulu ES1
22
Báze znalostí systému ES1 je tvořena soustavou podmíněných IFTHEN pravidel, jejichž podmínkové části představují všechny kombinace jazykových hodnot vstupních proměnných. Jednotlivé kombinace byly expertně ohodnoceny přiřazením příslušných jazykových hodnot výstupních proměnných. Např. pravidlo R1 má tvar R1: IF (SA is INT) and (ZZI is TEO) and (SV is GRA) and (PU is HOL) THEN (REF/AKT is REF) and (VIZ/SLO is VIZ) and (HOL/DET is HOL) a formalizuje tuto znalost: Jestliže se student raději učí individuálně, teoreticky, lépe si pamatuje to, co vidí, a při učení upřednostňuje velké shluky informací, pak se jedná o studenta reflexivního, vizuálního a holistu. Výstupem systému ES1 jsou učební styly, ohodnocené stupněm možnosti <0,1> podle aktuálních hodnot vstupních proměnných (viz Obr. 2). Úrovně ohodnocení jsou uvedeny ve spodní části okna.
Obr. 2 – Obraz LFLC - ohodnocené výstupní hodnoty učebních stylů ES1
23
Expertní systém ES2 Expertní systém ES2 navazuje na systém ES1. Po vyhodnocení učebního stylu studenta systémem ES1 expertní systém ES2 doporučí studentovi konkrétní verzi studijního materiálu, podle níž se má učit. ES2 vychází z diagnostiky studentova učebního stylu a z jeho aktuálních znalostí. Vstupem do jazykového modelu expertního systému ES2 jsou vlastnosti studenta získané z jeho osobního dotazníku a také výsledky jeho znalostí z didaktického testu. Vstupní a výstupní jazykové proměnné ES2 jsou uvedeny v Tab. 2, Tab.3 a Tab.4.
Jazyková proměnná
Id
Rozsah univerza
KAPITOLA 1
KAP1
[0, 10]
KAPITOLA 2
KAP2
[0, 10]
KAPITOLA 3
KAP3
[0, 10]
Jazykové hodnoty ANO NE ANO NE
ANO NE ANO NE
ANO NE
ANO NE
Id
Tab. 3 – Vstupní jazykové proměnné modulu ES2
24
Proměnná
Id V1 V2 V3 V4 V5 V6
V7 V8 VERZE V9 MATERIÁLŮ V10 V11 V12 V13 V14 V15 V16
Jazykové hodnoty (studijní typy) vizuální, reflexivní a holista vizuální, reflexivní a detailista vizuální, aktivně-reflexivní a holista vizuální, aktivně-reflexivní a detailista vizuální, reflexivně-aktivní a holista vizuální, reflexivně-aktivní a detailista vizuální, aktivní a holista vizuální, aktivní a detailista verbální, reflexivní a holista verbální, reflexivní a detailista verbálního, aktivně-reflexivní a holista verbální, aktivně-reflexivní a detailista verbální, reflexivně-aktivní a holista verbální, reflexivně-aktivní a detailista verbální, aktivní a holista verbální, aktivní a detailista
Tab. 4 – Výstupní jazyková proměnná modulu ES2 – verze studijních materiálů
Bázi znalostí expertního systému ES2 tvoří soubor IF-THEN pravidel, jejichž podmínkové části představují všechny kombinace jazykových hodnot vstupních proměnných. Jednotlivé kombinace jsou expertně ohodnoceny přiřazením příslušných jazykových hodnot výstupní proměnné. Např. pravidlo R94 má tvar: R94: IF (SV is VER) and (ZZI is PRA) and (SA is INT) and (PU is DET) and (KAP1 is ANO) and (KAP2 is NE) and (KAP3 is ANO) THEN (VERZE is V14_kap2) 25
a formalizuje tuto znalost: Jestliže si student lépe pamatuje to, co slyší nebo čte, raději se učí individuálně formou pokusů a omylů a informace zpracovává po menších částech, kapitoly 1 a 3 zvládl, ale kapitolu 2 ještě neumí dostatečně, pak studentovi doporučuji verzi V14 studijních materiálů a materiály redukuji pouze na kapitolu 2. Výstupem ES2 jsou modifikované varianty učebních materiálů, ohodnocené stupněm vhodnosti pro daného studenta z intervalu <0,1> dle aktuálních hodnot vstupních proměnných (Obr. 3). Stupně vhodnosti jednotlivých verzí učebních opor jsou opět uvedeny ve spodní textové části okna.
Obr. 3 – Obraz LFLC - ohodnocené verze studijních materiálů ES2
3.3
ADAPTAČNÍ PROCEDURY SYSTÉMU ADEPT
Po evaluaci aktuální úrovně znalostí studenta v daném p-tém cyklu učení je v bloku TEST ZNALOSTÍ (viz Obr. 1) vyhodnoceno, zda jsou znalosti studenta dostatečné ve všech třech kapitolách učiva, označených k1, k2, k3. Pokud ano, učení končí a systém předloží studentovi k vyplnění dotazník k evaluaci výuky (EVALUAČNÍ DOTAZNÍK). Pokud student učení nezvládl v požadovaném rozsahu, 26
je provedena kontrola vyčerpání povoleného počtu cyklů učení a pokud student neabsolvoval celý učební blok třikrát, modifikuje se učební látka pro další cyklus učení a je znovu předložena studentovi. Adaptační smyčka AS1 Úprava studijního materiálu je realizována v adaptační smyčce AS1 a spočívá v redukci těch kapitol učebních textů, které se student již naučil. Současně je studentu nabídnuta možnost vyplnění dotazníku (OSOBNÍ DATAZNÍK) pro zpřesnění jeho stylu učení. Tím může učící se jedinec vyjádřit svůj názor na vhodnost verze studijních materiálů, které mu doporučil systém. Adaptační smyčka AS2 Již jsme řekli, že student může opakovaným vyplněním osobního dotazníku upřesnit svůj učební styl. Systém v tom případě nabídne jinou verzi studijních materiálů. Doporučí jednu verzi (s nejvyšším ohodnocením), ale ohodnotí i zbývajících 15 verzí učiva. Ke všem verzím má student přístup a může tedy ovládat výuku i vlastním způsobem. Může proto nastat situace, že ani po opakovaném vyplnění osobního dotazníku nebude s doporučenou verzí materiálů spokojen. Student po ukončení učení v hodnotícím dotazníku (EVALUAČNÍ DOTAZNÍK) tuto skutečnost uvede a označí subjektivně relevantní materiál (případně materiály), dle kterého se úspěšně naučil. Do báze znalostí systému ES2 bude doplněno nové (modifikované) pravidlo. Jazykový model expertního modulu ES2, původně deklarovaný expertem - učitelem, může být tímto způsoben modifikován (učen) rozšiřováním počtu pravidel, tedy zvětšováním rozsahu znalostí používaných k rozhodování 27
o vhodnosti jednotlivých verzí studijních materiálů (V1 – V16) podle názoru konkrétního studenta. Tímto řešením systém ADEPT reaguje na individuální potřeby studenta, s cílem zkvalitnit své funkce a zajistit studentu, aby se učil rychle a efektivně.
3.4
ŘEŠENÍ OBSLUŽNÝCH BLOKŮ
Strukturu výukového systému ADEPT proto tvoří kromě adaptačních smyček a expertních systémů, které zajišťují řízení výukového procesu a jeho přizpůsobení individuálním vlastnostem studenta, i další moduly. Tyto obslužné bloky obsahují vlastní studijní materiály a slouží také k získání informací nutných k rozhodování, zda program uspokojuje vzdělávací potřeby studenta. Jejich důležitým úkolem je poskytnutí zpětnovazebních informací, které umožní neustálého vylepšování funkcí systému (Pavlíček, 2003). Osobní dotazník Studentův studijní styl je diagnostikován před zahájením jeho učení (vstupní diagnostika) nebo upřesňován v průběhu jeho učení expertním systémem ES1. Vstupními daty tohoto systému jsou informace o učebních charakteristikách studenta, které jsou získány vyhodnocením vyplněného osobního dotazníku konkrétním studentem. Určení učebního stylu je důležitou informací pro adaptaci systému dle individuálních vlastností studenta. K tvorbě osobního dotazníku jsme použili (s laskavým souhlasem autora) část dotazníku S. Novotného, psychologa Ostravské univerzity, který svůj dotazník vytvořil pro určení učebních vlastností 28
studenta v adaptivním výukovém systému Barborka. V tomto systému je také kvalita dotazníku v současné době ověřována. Blok Učení Systém ADEPT obsahuje 16 verzí studijních materiálů, které jsou přizpůsobeny vlastnostem studenta a jeho učebnímu stylu. Každý studijní materiál je rozdělen do tří kapitol. Vzniklo tak celkem 48 různých učebních textů, které se kombinují a sestavují dle aktuálních znalostí studenta. Konkrétní podoba studijních textů závisí na předmětu, k jehož výuce jsou výukové opory určeny. Obecně však lze říci, že systém ADEPT je vhodný pro výuku přírodovědných a technických předmětů. Pro testování systému jsme vytvořili 48 různých učebních materiálů, které jsou zaměřené na problematiku číselných soustav. Téma lze vyučovat v rámci předmětů informatika či aplikovaná matematika. Materiály jsou rozděleny do tří kapitol s názvy Problematika číselných soustav, Převod mezi číselnými soustavami a Aritmetické operace v binární soustavě. Ke každé kapitole je vytvořeno 16 verzí studijních materiálů vyhovujících konkrétnímu studentu a jeho stylu učení. Test znalostí Test znalostí je didaktický test, který zjišťuje aktuální úroveň znalostí studenta po ukončení cyklu učení. Student může opakovat celý učební cyklus třikrát a po každém jeho absolvování je informován o úspěšnosti svého učení.
29
Evaluační dotazník Jestliže student zvládl celou učební látku nebo vyčerpal předepsaný počet cyklů učení, výuka končí. Systém nabídne studentu dotazník (blok EVALUAČNÍ DOTAZNÍK viz Obr. 1), který mu umožní individuálně zhodnotit průběh učebních cyklů, kvalitu i výběr výukových materiálů. Dotazník je původní prací autorky. Student je hlavní osobou, pro kterou se výukový systém ADEPT buduje, informace od něj získané jsou proto velmi důležité pro zkvalitnění funkcí systému. Informace se ukládají do bloku ARCHIV DAT pro další statistické zpracování a jsou také využity ve druhé adaptační smyčce AS2 pro úpravu modelu expertního systému ES2. Archiv dat Archiv dat (blok ARCHIV DAT) je důležitým zdrojem informací o průběhu výuky. Tyto údaje budou sloužit k ověřování správnosti učebních charakteristik studentů, k ověření kvality výukových materiálů i ověření správnosti pravidel řízení výuky. V archivu dat se evidují informace o -
studentovi a jeho učebním stylu, předmětu, doporučené verzi výukových opor, kterou zvolil systém, verzi výukových opor, kterou jako optimální zvolil student, počtu absolvovaných učebních cyklů, výsledku didaktického testu v každém cyklu učení včetně odpovědí studenta, názorech studenta na průběh výuky, včetně jeho doporučení k zefektivnění výuky.
30
Po analýze dat získáme důležitou vyhodnocením je možné provést: -
zpětnou
vazbu.
Jejím
úpravu charakteristik (případně doplnění dalších vlastností) studenta k přesnějšímu určení jeho učebního stylu, úpravu výukových opor a testových úloh didaktického testu, doplnění pravidel expertního systému ES2, které povede k zvětšování rozsahu znalostí používaných k rozhodování o vhodnosti jednotlivých verzí studijních materiálů (V1 – V16) podle názoru konkrétního studenta.
3.4 Programová realizace systému ADEPT Systém ADEPT byl navržen v grafickém uživatelském rozhraní GUI (Graphical User Interface) systému MATLAB pomocí nástroje GUIDE. GUIDE (Graphical User Interface Development Environment) je vývojové prostředí MATLABu poskytující soustavu nástrojů pro tvorbu GUI a generující výsledný soubor (M-file), který obsahuje kód pro ovládání, inicializaci a spouštení GUI (Zaplatílek a Doňar, 2004). Implementace adaptivního v programové realizaci -
výukového
systému
spočívala
rozhodovacích fuzzy modulů v prostředí LFLC, obslužných bloků v programu Visual Basic for Application v prostředí MS Excel, úplné struktury sekvenčního systému v prostředí MatlabSimulink (Matlab, 2012).
31
Nově vytvořené uživatelské prostředí umožnilo propojení všech použitých systémů – LFLC, Visual Basic for Application a MatlabSimulink. Obr. 4 ukazuje úvodní obrazovku systému ADEPT. Zde je uveden učební předmět a konkrétní studované téma. Student před začátkem učení zadá své identifikační číslo (kombinaci písmene M a pětimístného čísla) a spustí osobní dotazník pro určení svých učebních charakteristik (viz Obr. 4 – položka URČENÍ UČEBNÍHO STYLU). Diagnostika učebního stylu studenta je zobrazena na Obr 5). Následně systém doporučí studentu nejvhodnější verzi studijního materiálu (viz Obr. 6).
Obr.5 – Úvodní obrazovka systému ADEPT
32
Obr.6 – Obrazovka systému ADEPT – Vyhodnocení učebního stylu studenta
Obr. 7 – Obrazovka systému ADEPT – Doporučení nejvhodnější verze studijních materiálů
3.5
PRŮBĚH A VÝSLEDKY PEDAGOGICKÉHO EXPERIMENTU
Pedagogický experiment proběhl na Moravské vysoké škole Olomouc v období říjen – prosinec 2014. Zúčastnilo se ho 40 studentů 1. ročníku kombinovaného studia. Dne 3. 10. 2014 bylo 33
provedeno rozdělení celé skupiny (GLOB) 40 studentů na dvě dílčí skupiny – kontrolní a experimentální. Do každé skupiny bylo náhodně vybráno 20 studentů. Náhodný výběr byl realizován pomocí generátoru náhodných čísel v prostředí EXCEL. Studenti kontrolní skupiny (KONT) absolvovali klasickou výuku (prezenční výuku s vyučujícím formou tutoriálů), skupina experimentální (EXP) se učila stejné učivo pomocí systému ADEPT. Na úvodním tutoriálu byli studenti informováni o průběhu celého pedagogického experimentu a absolvovali stejný vstupní didaktický test (pretest). Tento didaktický test (viz příloha 10 disertační práce) byl pilotně ověřen v květnu 2014 skupinou 10 respondentů – studentů 1. ročníku kombinovaného studia. Jeho obsah byl zpřesňován i na základě osobních konzultací s pedagogy – matematiky a informatiky Moravské vysoké školy Olomouc a Pedagogické fakulty UP Olomouc. Studentům experimentální skupiny byl představen systém ADEPT, vyplnili dotazník k určení jejich učebního stylu (OSOBNÍ DOTAZNÍK, viz Obr. 1) a dostali instrukce, jak bude distanční výuka s využitím výukového systému probíhat. U kontrolní skupiny nebyl ověřován styl učení respondentů, výuka probíhala prezenční formou a pro všechny studenty stejně. Studenti kontrolní skupiny se v průběhu zimního semestru (říjen – prosinec 2014) zúčastnili 4 hodin tutoriálů, kde učivo prezentoval pedagog. Experimentální skupina ve stejném období studovala distančně a její výuka byla řízena systémem ADEPT. Dne 12. 12. 2014 byl pedagogický experiment ukončen. Obě skupiny studentů absolvovaly stejný výstupní didaktický test posttest (shodný s pretestem). Experimentální skupina se k průběhu 34
výuky pomocí systému ADEPT vyjádřila vyplněním evaluačního dotazníku (EVALUAČNÍ DOTAZNÍK). Statistická analýza výsledků experimentu byla provedena v programovém systému SPSS (Statistical Package for the Social Sciences), (Mehta a Patel, 2013). Získaná experimentální data byla statisticky analyzována s ohledem na skutečnost, že výběrové soubory jsou malé a parametry rozdělení, z nichž pocházejí, je obtížné stanovit. Neparametrické testy pro srovnání středních hodnot byly použity z důvodu, že výsledky některých testů nevykazují normální rozdělení a počet měření je obecně malý (20 studentů v každé skupině, celkem 40 studentů). Program SPSS nabízí exaktní varianty výše uvedených testů s ev. využitím simulace Monte Carlo, které jsou přesnější než klasické neparametrické testy (Mehta a Patel, 2013). Předsledná analýza výsledků pedagogického experimentu celé skupiny i obou dílčích skupin byla provedena robustními grafickými metodami – zobrazením krabicových grafů a histogramů. Kontrola normality rozložení dat jednotlivých souborů byla provedena pomocí Shapiro-Wilkova testu, určeného pro malé soubory. Na základě závěrů předsledné analýzy o normálním rozložení vyšetřovaných souborů byly pro ověření platnosti hypotéz o vlastnostech souborů použity neparametrické testy MannWhitneyův a Wilcoxonův. Testy byly prováděny na standardní hladině významnosti 0,05 .
35
4 SHRNUTÍ VÝSLEDKŮ PEDAGOGICKÉHO EXPERIMENTU Po provedené statistické analýze experimentálních dat můžeme výsledky pedagogického experimentu shrnout následujícím způsobem: 1. Studenti kontrolní i experimentální skupiny dosahují v pretestu srovnatelných výsledků. Výsledky pretestu u kontrolní skupiny se pohybují v průměru okolo 2 bodů, u experimentální skupiny v průměru okolo 3 bodů. Rozdíl v dosažených výsledcích u obou skupin není statisticky významný, všichni studenti zahájili výuku na stejné úrovni znalostí. 2. Po ukončení výuky došlo u všech studentů kontrolní skupiny k nárůstu znalostí. Bodový zisk v posttestu u kontrolní skupiny vzrostl průměrně na 12 bodů. V úrovni znalostí mezi jejich výsledky pretestu a posttestu existuje statisticky významný rozdíl. 3. Výsledek učení všech studentů experimentální skupiny vedl k nárůstu jejich znalostí. Bodový zisk v posttestu experimentální skupiny se průměrně zvýšil na 19 bodů. V úrovni znalostí mezi výsledky pretestu a posttestu u experimentální skupiny existuje statisticky významný rozdíl. 4. Bodový zisk studentů kontrolní skupiny se v posttestu zvýšil proti výsledku pretestu z hodnoty 2,45 na 12,05. U experimentální skupiny vzrostl bodový zisk studentů 36
v posttestu proti výsledku pretestu z hodnoty 3,65 na 18,65. V úrovni znalostí mezi pretestem a posttestem došlo u experimentální skupiny k výraznějšímu progresu, než u kontrolní skupiny. Po celkové analýze dat získaných v průběhu experimentu lze odpovědět na výzkumné otázky následujícím způsobem: 1. Je úroveň znalostí obou skupin studentů (experimentální i kontrolní) před zahájením výuky srovnatelná? Ano je. Skutečnost vyplývá ze zjištěných výsledků pedagogického experimentu interpretovaných v Kap. 7.3 disertační práce. 2. Jaký je rozdíl v úrovni znalostí před a po ukončení výuky u obou sledovaných skupin (kontrolní skupiny a skupiny experimentální)? U obou sledovaných skupin se zvýšila úroveň znalostí po ukončení výuky. Skutečnost vyplývá ze zjištěných výsledků pedagogického experimentu interpretovaných v Kap. 3.7 disertační práce. 3. Jaký byl nárůst znalostí (progres) u obou srovnávaných skupin – skupiny kontrolní i skupiny experimentální? V úrovni znalostí mezi pretestem a posttestem došlo u experimentální skupiny k výraznějšímu progresu, než u kontrolní skupiny. Skutečnost vyplývá ze zjištěných výsledků pedagogického experimentu interpretovaných v Kap. 3.7 disertační práce. Výsledky statistické analýzy potvrzují, že studenti, kteří se budou učit pomocí vytvořeného výukového systému ADEPT, dosahují 37
lepších studijních výsledků než studenti, kteří absolvují klasickou formu výuky. Z výsledků dotazníku, který slouží k evaluaci výuky pomocí systému ADEPT, vyplývá, že systém správně vybral nejvhodnější verzi výukové opory studentovi dle jeho učebního stylu. Studenti by ve výuce upřednostnili kombinaci prezenční výuky a elektronického vzdělávání neboli blended learning. Z této skutečnosti vyplývá, že se chtějí vzdělávat pomocí e-learningu, ale zároveň si uvědomují nezastupitelnou roli pedagoga ve výuce. Výsledky statistické analýzy experimentálně zjištěných datových souborů ve všech případech potvrdily platnost hypotézy podporující tvrzení, že metody umělé inteligence mohou přispět k adaptaci výuky a zvýšit tak její efektivitu. Jsme si plně vědomi toho, že závěry, uvedené v dizertační práci, byly získány na základě vyhodnocení výsledků jediného pedagogického experimentu. Snažili jsme se však i v této situaci dosáhnout maximální korektnosti dosažených závěrů. Vyhodnocení získaných dat bylo provedeno pomocí metod speciálně určených pro předslednou analýzu i vlastní statistickou analýzu datových souborů o malém rozsahu.
38
5 ZÁVĚR Snahou současného pedagogického výzkumu je vytvořit adaptivní počítačový výukový systém, který by se co nejvíce přiblížil potřebám a schopnostem každého studenta s cílem zajistit co nejefektivnější a nejrychlejší získání potřebných znalostí ve studované oblasti. Základem jsou moderní informační technologie, které využívají různé postupy a prostředky k řízení i přizpůsobení procesu učení individuálním potřebám a vlastnostem studenta. V předložené disertační práci jsme se zabývali problematikou adaptace a personalizace výuky, která je realizována pomocí metod a nástrojů umělé inteligence. V průběhu řešení disertace byl navržen adaptivní výukový systém ADEPT (The Adaptive Educational Programme Tool). První adaptační smyčka řídí průběh studentova učení a přizpůsobuje jej individuálním vlastnostem a aktuálním znalostem studenta. Jsou v ní obsaženy dva expertní systémy. Expertní systém ES1 určuje učební styl studenta, systém ES2 doporučuje nejvhodnější studijní materiál studentu dle jeho učebních charakteristik a aktuálních znalostí. Druhá adaptační smyčka získává informace od studenta o kvalitě adaptace, na jejichž základě modifikuje studijní materiály a ověřuje správnost pravidel řízení výuky. V úvodu disertační práce jsme zasadili řešenou problematiku do kontextu e-learningového vzdělávání. V první kapitole práce jsme vymezili teoretické základy a základní pojmy naší práce s odkazem na naši i zahraniční literaturu. 39
V druhé kapitole disertace uvádíme výchozí aspekty práce současný stav řešení výukových systémů a zaměřujeme se zejména na problematiku adaptace a řízení výuky. Ve třetí kapitole jsme definovali hlavní cíl disertační práce i dílčí cíle. Představili jsme metody zpracování a způsob řešení. Stanovili jsme problém a otázky výzkumu, zformulovali hlavní hypotézu i dílčí hypotézy. V čtvrté kapitole jsme popsali strukturu počítačového výukového systému ADEPT, vysvětlili funkce jeho adaptačních smyček a představili celý systém pomocí blokového schématu. V páté kapitole disertační práce jsme vymezili teoretická východiska použitých metod umělé inteligence. Vysvětlili jsme využití principů fuzzy množinové matematiky a fuzzy logiky. Detailněji jsme popsali jednotlivé části systému ADEPT, především expertní systémy ES1 a ES2, funkce bloků adaptivních procedur AS1 a AS2 a bloků obslužných. Poukázali jsme na významnou vlastnost expertních systémů - efektivně zpracovávat informace zatížené neurčitostí. V šesté kapitole práce jsme popsali implementaci adaptivního výukového systému a simulační ověření jeho funkcí. Systém ADEPT je implementován ve vývojových prostředích LFLC, Visual Basic for Application (v MS Excel) a Matlab-Simulink. Simulační pokusy provedené v této kapitole ukazují výsledky rozhodovacích funkcí obou expertních systémů pro dva studenty s rozdílnými učebními charakteristikami. Výsledky simulací potvrzují správnost funkcí navrženého systému. 40
V sedmé kapitole jsme se věnovali přípravě a realizaci pedagogického experimentu. Pedagogickým experimentem jsme získali důležitá data, která jsme následně analyzovali a interpretovali. Byly použity metody kvantitativního výzkumu a analýza dat byla provedena pomocí statistického softwaru SPSS IBM. Zvolenými statistickými metodami byly získány nové poznatky, které ověřovaly otázky výzkumu a zformulované hypotézy. Poskytly také nové podněty pro další výzkum ve sledované oblasti. Výsledky pedagogického experimentu potvrdily, že všichni studenti zařazení do testování zahájili výuku na stejné úrovni znalostí. Po ukončení výuky se u všech studentů také zvýšila úroveň jejich znalostí. Výsledky statistické analýzy potvrdily, že studenti, kteří se učili pomocí vytvořeného výukového systému ADEPT, dosáhli lepších studijních výsledků než studenti, kteří absolvovali klasickou formu výuky. Studenti, kteří prováděli evaluaci výuky řízené systémem ADEPT, uvedli, že systém správně doporučil nejvhodnější verzi výukové opory dle jejich učebního stylu. Studenti vyjádřili přání vzdělávat se pomocí e-learningu (systému ADEPT), ale zároveň ocenili nezastupitelnou roli pedagoga ve výuce. Proto by preferovali kombinaci prezenční výuky a elektronického vzdělávání neboli blended learning. S ohledem na zjištěné a naměřené skutečnosti se můžeme přiklonit k tvrzení, že metody umělé inteligence mohou přispět k adaptaci a personalizaci výuky a vést tak ke zvýšení její efektivity.
41
Návrh na pokračování výzkumu Systém ADEPT pracuje s modelem studentova učení a modelem vyučování. Model studenta řeší jen částečně a to sběrem dat (ARCHIV DAT) a adaptační smyčkou AS2. Archiv dat je důležitým zdrojem informací, na jejichž základě by v budoucnu mohl být vytvořen model studenta. Doplněním dalších učebních charakteristik studentů – vstupů do systému ES1 bychom aplikovali v systému ADEPT model autoregulace studentova učení. Uvažovali jsme zejména o doplnění vlastností autoregulace učení a motivace ke studiu. Doplněním parametru HLOUBKA VÝKLADU (specifikoval by detailnost předkládaných výukových opor) do systému ES2 bychom vytvořili základ modelu učiva (Kostolányová, 2012). Předpokládané úpravy by znamenaly také doplnění a modifikaci pravidel expertních systémů ES1 a ES2 a úpravu učebních materiálů. V systému ADEPT jsme využili adaptaci vyhledáváním a sestavováním obsahu výuky, která je doplněna o dynamickou selekci částí (kapitol) výukového materiálu. Pro zvýšení míry personalizace výukového systému bude však nutné rozšířit způsob adaptace o dynamickou změnu struktury obsahu výuky, přizpůsobení navigačních prvků ve výukovém materiálu, tvorbu průvodce adaptivním systémem i tvorbu rozhraní pro komunikaci studentů. K adaptaci výuky lze využít i jiných adaptivních mechanismů - kromě jazykových pravidlových systémů také neuronových sítí nebo inteligentních agentů (Grudzieň, 2014; Burian, 2014). Významným předpokladem pro další rozvoj systému je otevřenost využitých jazykových rozhodovacích modulů. 42
SEZNAM LITERATURY POUŽITÉ V DISERTAČNÍ PRÁCI BAI, Shih-Ming.and Shyi-Ming CHEN, A new method for students‘ learning achievement using fuzzy membership functions. In: Proceedings of the 11th conference on artificial intelligence, Kaohsiung, Taiwan, 2006. Republic of China BEETHAM, Helen. Understanding e-learning. In: TechLearn Workshop, July 2002. [online]. [cit. 2014-10-23]. Dostupné z
. BIAN Lian and Yueguang XIE. Research on the Adaptive Strategy of Adaptive Learning Systém. In: Entertainment for Education – Digital Techniques and Systems. Lecture Notes in Computer Science, 2010. s. 203–214. ISBN 978-3-642-14532-2. BRUSILOVSKY, Peter. Adaptive hypermedia. In: User Modeling and User Adapted Interaction. 11(1-2). Publisher: Springer, 2001. pp. 87-129. ISSN 09241868 BRUSILOVSKY, Peter. From Adaptive Hypermedia to the Adaptive Web. In: Mench & Computer. Interaktion in Bewegung. Stuttgart: B. G. Teubner, 2003. ISSN 0001-0782. BUREŠ, Miroslav a Ivan JELÍNEK. Adaptivní webové systémy v e-learningu. In: Belcom´04. Praha: ČVUT, 2004. s. 223-226. ISBN 80-01-02923-9. BURIAN, Pavel. Internet inteligentních aktivit. Praha: Grada, 2014. 1 .vyd. 336 s. ISBN 978-80-247-5137-5. BYČKOVSKÝ, Petr. Základy měření výsledků výuky: Tvorba didaktického testu. Praha: ČVUT 1982. COFFIELD, Frank et al. Learning Styles and Pedagogy in post-16 learning: In A systematic and critical review. London: Learning and Skills Research Centre, 2004. 43
ČÁP, Jan a Jiří MAREŠ. Psychologie pro učitele. 1. vyd. Praha: Portál, 2001, 655 s. ISBN 80-717-8463-X. DUNN, Rita S. a Kenneth J. DUNN. Learning Styles/Teaching Styles: Should They…Can They... Be Matched? In: Educational Leadership. (digital edition). Association for Supervision and Curriculum Development. ASCD, 1979. pp. 238-244. DVOŘÁK, Antonín, HABIBALLA, Hashim, NOVÁK, Vilém a Viktor PAVLISKA. The concept of LFLC 2000 - its specificity, realization and power of applications. Computers in Industry. 51(3). pp. 269-280, August 2003. FELDER, Richard M. and Linda K. SILVERMAN. Learning and Teaching Styles in Engineering Education. In Journal of Engineering Education, 1988. 78(7). pp. 674-681. FELDER, Richard M. and Barbara A. SOLOMAN. Index of Learning Styles. [online]. 2004. [cit. 2013-06-25]. Dostupné z FLEMING, William. Student Learning Work - Grounds for an In Situ Analysis. In: Instructional Sciences. 1987, Sv. 16, stránky 107-122. FONTANA, David. Psychologie ve školní praxi: příručka pro učitele. 2. vyd. Praha: Portál, 2003, 383 s. ISBN 80-717-8626-8. GAGNÉ, Robert. M. Podmínky učení. 1. vyd. Praha: SPN, 1975, 287 s. GAVORA, Peter. Úvod do pedagogického výzkumu. Brno: Paido, 2000, 207 s. Edice pedagogické literatury. ISBN 80-859-3179-6. GOSMAN, Svatoslav. Umělá inteligence a expertní systémy: Výběr informací z organizační a výpočetní techniky. Praha: Kancelářské stroje, 1990, 168 s. ISBN 80-7018-004-8. GREGOREC, Anthony F. Learning/teaching styles: Their nature and effects. Student learning styles: Diagnosing and prescribing programs. Reston, VA: National Association of Secondary School Principals, 1979. pp. 19-26. GRUDZIEŇ, Jacek. Rozvoj informatických kompetencí pomocí umělé inteligence. Ostrava, 2014. Disertační práce. Ostravská univerzita v Ostravě. 44
HARTL, Pavel a Helena HARTLOVÁ. Psychologický slovník. 1. vyd. Praha: Portál, 2000, 774 s. ISBN 80-717-8303-X. HONEY, Peter and Alan MUMFORD. Using your learning styles (1th. ed.). Maidenhead: Peter Honey Publications, 2002. HUDECOVÁ, Dagmar. Nová teorie klasifikování kognitivních cílů ve vzdělávání: Revize Bloomovy taxonomie. In: Pedagogika. 2004. LIV(3). s. 274-283. CHIANG, T. T. and C. M. LIN, Application of fuzzy theory to teaching assessment. In: Proceedings of the 1994 second national conference on fuzzy theory and applications, Taipei, Taiwan, 1994. Republic of China, 1994. p. 92–97. CHRÁSKA, Miroslav. Didaktické testy. Brno: Paido,1999. ISBN 80-85931-680. CHRÁSKA, Miroslav. Metody pedagogického výzkumu: základy kvantitativního výzkumu. 1. vyd. Praha: Grada, 2007, 265 s. Pedagogika (Grada). ISBN 978-80-247-1369-4. JEŘÁBEK, Ondřej a Martin BÍLEK. Teorie a praxe tvorby didaktických testů. 1. vyd. Olomouc: Univerzita Palackého v Olomouci, 2010, 91 s. ISBN 97880-244-2494-1. KAPOUNOVÁ, Jana. Počítačem podporovaná výuka. Ostrava: Ostravská univerzita, 2013. 114 s. KAPOUNOVÁ, Jana a Jiří PAVLÍČEK. Počítače ve výuce a učení: studijní obor: informační technologie ve vzdělávání. 1. vyd. Ostrava: Ostravská univerzita, 2003, 117 s. ISBN 80-704-2265-3. KERLINGER, Fred N. Základy výzkumu chování. Praha: Academia, 1972. KNIGHT, Kevin a Elaine RICH. Artificial intelligence. 2. ed., international ed. New York [u.a.]: MacGraw-Hill, 1991. ISBN 00-710-0894-2. KOLB, David A. Experiential learning: experience as the source of learning and development. Englewood Cliffs, N. J.: Prentice-Hall, c1984, xiii, 256 p. ISBN 01-329-5261-0. 45
KOSTOLÁNYOVÁ, Kateřina. Teorie adaptivního e-learningu. 1. vyd. Ostrava: Ostravská univerzita v Ostravě, 2012, 118 s. ISBN 978-80-7464-014-8. KOTEK, Zdeněk a kol. Metody rozpoznávání a umělá inteligence, In.: Kybernetika ve výzkumu a výuce. Plzeň: ČSVTS FE VŠSE, 1983. KRIŠOVÁ, Zdeňka a Miroslav POKORNÝ. Diagnostics of a student’s learning style with the use of modern information technologies. In The New Educational Rewue, 34(4). pp. 174-187. Torun, Polsko: Wydawnictwo Adam Marszalek, 2013. KRIŠOVÁ, Zdeňka a Miroslav POKORNÝ. Managing the process of teaching and learning through adaptive computer systém. In: Journal of Technology and Information Education. Olomouc – EU: Univerzita Palackého, 2015. KULIČ, Václav. Psychologie řízeného učení. 1. vyd. Praha: Academia, 1992, 187 s. ISBN 80-200-0447-5. KUSÁK, Pavel a Pavel DAŘÍLEK. Pedagogická psychologie - A. 2. vyd. Olomouc: Univerzita Palackého, Pedagogická fakulta, 2001, 234 s. ISBN 80-244-0294-7. LIU, HONGXIA et al. Pedagogical Strategy Model in Adaptive Learning Systém Focusing on Learning Styles. Entertainment for Eduacation. Digital Techniques and Systems. Lecture Notes in Computer Science. SpringVerlag Berlin: Heidelberg, 2010. pp. 156-164. ISBN 978-3-642-14532-2. MA, Jian and Duanning ZHOU. Fuzzy set approach to the assessment of student-centered learning. In IEEE Transactions on Education, 2000. (43). p. 237–241. MACHŮ, Eva. Rozpoznávání a vzdělávání rozumově nadaných dětí v běžné třídě základní školy: příručka pro učitele a studenty učitelství. 1. vyd. Brno: Masarykova univerzita, 2006, 64 s. ISBN 80-210-3979-5. MAREŠ, Jiří. Styly učení žáků a studentů. 1. vyd. Praha: Portál, 1998, 239 s. ISBN 80-7178-246-7. MAREŠ, Jiří. E-learning a individualni styly učeni. Československá psychologie. 2004. 4(3).
46
MAREŠ, Jiří a Hana SKALSKÁ. LSI – dotaznik stylů učeni pro žaky zakladnich a střednich škol. Psychológia a patopsychológia dieťaťa. 1994, 29(3). s. 248-264. MAREŠ, Jiří. Pedagogická psychologie. 1. vyd. Praha: Portál, 2013, 702 s. ISBN 978-80-262-0174-8. MARKHAM, Heather Christine. An internet-based expert system for teaching introductory data structures, In Proceedings of the seventh annual consortium for computing in small colleges central plains conference on The journal of computing in small colleges. 2001, p. 155 – 165. MAŘÍK, Vladimír. Umělá inteligence. 1. vyd. Praha: Academia, 1997, 373 s. ISBN 80-200-0504-8. MAŘÍK, Vladimír, Olga ŠTĚPÁNKOVÁ a Jiří LAŽANSKÝ. Umělá inteligence. 1. vyd. Praha: Academia, 2003, 475 s. ISBN 80-200-1044-0. Matlab - The MathWorks-MATLAB and Simulink for Technical Computing. Retrieved July, 7, 2012. from MEHTA, Cyrus R. and Nitin R. PATEL. IBM SPSS Exact Tests. IBM Corporation, 2013. NEDIC, Zorica, Vladimir NEDIC and Jan MACHOTKA .Intelligent Tutoring System for teaching 1st year engineering, In World Transactions on Engineering and Technology Education. 2002. 1(2). NETREFOVÁ, Hana. Nové postupy uplatňované při návrhu uživatelsky přívětivých informačních systémů. Disertační práce. Brno: MZLU v Brně, 2005. 132 s. NOCAR, David. E-learning v distančním vzdělávání. 1. vyd. Olomouc: Univerzita Palackého, 2004, 77 s. ISBN 80-244-0802-3. NOVÁK, Vilém, Irina PERFILIEVA and Jiří MOČKOŘ. Mathematical Principles of Fuzzy Logic. In: Engineering and Computer Science. vol. 517. Boston, USA: Kluwer, 1999. NOVÁK, Vilém. Základy fuzzy modelování. 1. vyd. Praha: BEN - technická literatura, 2000, 175 s. ISBN 80-730-0009-1. 47
NOVOTNÝ, Jan Sebastian. Individualization of teaching through e-learning: Development of Students' Learning Profile Questionnaire. In: Theoretical and Practical Aspects of Distance Learning. pp 105-116. Katowice, Polsko: Studio Noa, 2010. OPPERMANN, Reinhard. Adaptive user support: ergonomic design of manually and automatically adaptable software. Hillsdale, N. J.: Lawrence Erlbaum Associates, 1994, xi, 253 p. ISBN 08-058-1655-0. PARAMYTHIS, Alexandros and Susanne LOIDL-REISINGER. Adaptive Learning Environments and e-Learning Standards. In Electronic Journal of E-learning. 2004. 2(2). PASK, Gordon. Styles and strategies of learning. In British Journal of Educational Psychology, 1976. 46. pp. 129-148. PAVLÍČEK, Jiří. Základy e-didaktiky pro e-tutory: [studijní materiály pro distanční kurz ..]. 1. vyd. Ostrava: Ostravská univerzita, Pedagogická fakulta, 2003, 74 s. Systém celoživotního vzdělávání Moravskoslezska. ISBN 80-704-2921-6. PODLAHOVÁ, Libuše a kol. Didaktika pro vysokoškolské učitele: [vybrané kapitoly]. 1. vyd. Praha: Grada, 2012. ISBN 80-247-4217-9. POKORNÝ, Miroslav a Pavel PETRÁNEK. Systémy s umělou inteligencí, Ostrava: VŠB-TU Ostrava, FEI, 2004. POKORNÝ, Miroslav a Zdeňka KRIŠOVÁ. Znalostní systémy. Olomouc: MVŠO, 2011. s. 86. POKORNÝ, Miroslav. Expertní systémy. Ostrava: Ostravská univerzita v Ostravě, PřF, 2012. POULOVÁ, Petra. On contribution of modern technologies towards developing key competences. Hradec Králové: M&V, 2009. ISBN 978-80-86711-38-0. PRENTZAS, Jim, Ioannis HATZILYGEROUDIS and C. KOUTSOJANNIS. AWebBased ITS Controlled by a Hybrid Expert System, In: Proceedings of IEEE International Conference on Advance Learning Techniques (ICALT'01), 2001
48
PRŮCHA, Jan, Eliška WALTEROVÁ a Jiří MAREŠ. Pedagogický slovník. 7., aktualiz. a rozš. vyd. Praha: Portál, 2013, 395 s. ISBN 978-80-262-0403-9. RIDING, Richard and Indra CHEEMA. Cognitive styles -an overview and integration. In: Educational psychology. 1991. 11(3-4). pp 193-215. SAK, Petr a Jiří MAREŠ. Člověk a vzdělání v informační společnosti: vzdělávání a život v komputerizovaném světě. 1. vyd. Praha: Portál, 2007, s. 296. ISBN 978-80-7367-230-0. SCHMECK, Ronald. Ray. Individual Diferences and Learning Strategies. In Weinstein, C. E. Goetz, E. T. Alexander, P. A. Learning and Study Strategies – Issues in Assessment, Instruction, and Evaluation. San Diego, Academic Press 1988. (Citováno dle: Mareš, Jiří. Styly učení žáků a studentů. Praha: Portál, 1998, s. 58.) SOMR, Miroslav. Základní metody výzkumu : vybrané kapitoly z metodologie pedagogického výzkumu [online].c2007, poslední revize 9. 1. 2008 [cit. 2011-07-19]. Dostupný z WWW: STERNBERG, Robert J. and Elena L. GRIGORENKO. Genetics and intelligence. In Journal of American Academy of Child and Adolescent Psychiatry, 1999. 38. pp 486-488. STERNBERG, Robert J. a James C. KAUFMAN. Intelektové schopnosti. Pedagogika. 1999, (3). s. 200-215. TAKÁCS, Ondřej. Automatizované řízení adaptivní výuky v e-learningu podle stylů učení studenta. Disertační práce. Ostrava: VŠB Ostrava, 2014. VLČKOVÁ, Kateřina. Strategie učení cizímu jazyku: výsledky výzkumu používání strategií a jejich efektivity na gymnáziích. Brno: Paido, 2007, 217 s. Pedagogický výzkum v teorii a praxi. ISBN 978-807-3151-553. 49
WAGNER, Jan. Nebojme se e-learningu. [online]. Česká škola, 2005. [cit. 2014-05-19]. Dostupný z WWW: ZAPLATÍLEK, Karel a Bohuslav DOŇAR. MATLAB: tvorba uživatelských aplikací. 1. vyd. Praha: BEN - technická literatura, 2004, 215 s. ISBN 80730-0133-0. ZOUNEK, Jiří. E-learning - jedna z podob učení v moderní společnosti. 1. vyd. Brno: Masarykova univerzita, 2009, 161 s. ISBN 978-80-210-5123-2.
50
SEZNAM PUBLIKACÍ AUTORA Konference – referáty ve sbornících POKORNÝ, M. a Z. KRIŠOVÁ. Umělá inteligence v ekonomických disciplínách. In: Společenská odpovědnost firem - transfer vědeckých poznatků do praxe: sborník z mezinárodní vědecké konference. 1. vyd. Olomouc: Moravská vysoká škola Olomouc, c2011, s. 36. ISBN 978-8087240-67-0. (60 %) KRIŠOVÁ, Z. Metody umělé inteligence ve vzdělávacím procesu. In: Pedagogical Research on Information Technology: sborník doktorandské konference oboru Informační a komunikační technologie ve vzdělávání : České Budějovice, 30.6.-1.7.2012. České Budějovice: Jihočeská univerzita, 2012. ISBN 978-80-7394-362-2. KRIŠOVÁ, Z. Fuzzy orientovaný expertní systém pro znalostní evaluaci studenta. In: Ditech 2013. Hradec Králové: Univerzita Hradec Králové, 2013. KRIŠOVÁ, Z. a M. POKORNÝ. Adaptivní počítačový výukový systém. In: Information and Communication Technology in Education: International conference, Rožnov pod Radhoštěm, Ph.D. students´section. 1. vyd. Ostrava: Ostravská univerzita, 2013. ISBN 978-80-7464-325-5. (70 %)
Články v odborných časopisech KRIŠOVÁ, Z. a M. POKORNÝ. Počítačová formalizace mentálních modelů metodami pravděpodobnostního jazykového modelování. . In: EkonomikaManagement-Inovace. MVŠO Olomouc, 2012. (4,1). str. 34-42. ISSN 18041299 (Print). ISSN 1805-353X (Online) (50 %) KRIŠOVÁ, Z. a M. POKORNÝ. Fuzzy stochastická analýza složitých soustav Část I – Fuzzy neurčitost náhodné veličiny. In: Ekonomika-Management51
Inovace. MVŠO Olomouc, 2012. (4,2). ISSN 1804-1299 (Print). ISSN 1805353X (Online) (50 %) KRIŠOVÁ, Z. Jazyková evaluace znalostí žáka, In: Journal of Technology and Information Education. Olomouc – EU: Univerzita Palackého, 2012. (4, 1), s. 26 - 33. ISSN 1803-537X (print). ISSN 1803-6805 (on-line) (RIV) KRIŠOVÁ, Z. a M. POKORNÝ. Diagnostics of a student’s learning style with the use of modern information technologie., In: New Educational Review. 2013 (impakt 0,3, přijat) (70 %) KRIŠOVÁ, Z. a M. POKORNÝ. Managing the process of teaching and learning through adaptive computer system. In: Journal of Technology and Information Education. Olomouc – EU: Univerzita Palackého, 2015. (přijat) (70 %) KRIŠOVÁ, Z a M. POKORNÝ. Expert systems and adaptive procedures of the computer educational system ADEPT. In: Journal of Distance Education Technologies. Athabasca University, 2015 (podán) (70 %) POKORNÝ, M., MOŠOVÁ, V. a Z. KRIŠOVÁ. Fuzzy properties of real economic values. In Journal of Applied Economic Sciences. Spiru Haret University Faculty of Financial Management Accounting, 2015 (podán) (25 %)
Kapitoly v monografii POKORNÝ, M. a Z. KRIŠOVÁ. Modelování, rozhodování a umělá inteligence. In: POKORNÝ, M. a kol. Nekonvenční metody řešení ekonomických a manažerských úloh. vyd. Olomouc: VUP, 2014. s. 15 – 35. ISBN 978-80244-4218-10. KRIŠOVÁ, Z. a M. POKORNÝ. Pravděpodobnostní modelování a inference. In: POKORNÝ, M. a kol. Nekonvenční metody řešení ekonomických 52
a manažerských úloh. vyd. Olomouc: VUP, 2014. s. 39 – 43. ISBN 978-80244-4218-10. POKORNÝ, M., MOŠOVÁ, V. a Z. KRIŠOVÁ. Fuzzy stochastická analýza. In: POKORNÝ, M. a kol. Nekonvenční metody řešení ekonomických a manažerských úloh. vyd. Olomouc: VUP, 2014. s. 117 – 129. ISBN 978-80244-4218-10.
Studijní materiály (skripta) POKORNÝ, M. a Z. KRIŠOVÁ. Znalostní a expertní systémy. Olomouc: MVŠO, 2011, s. 88. POKORNÝ, M. a Z. KRIŠOVÁ. Teorie systémů 2. Olomouc: MVŠO, 2011, s. 86. KRIŠOVÁ, Z. Počítačová simulace a její využití ve výuce. Olomouc: MVŠO, 2013. s. 43. PODRAZIL, P., VÍTOVÁ, B., KAINZOVÁ, V., RÖSSLER, M., KRIŠOVÁ, Z. a J. LAVRINČÍK. Zvyšování obecných kompetencí občanů. Olomouc: Moravská vysoká škola Olomouc, 2014. ISBN 978-80-7455-048-5. KRIŠOVÁ, Z. Použití dotykového zařízení v přírodovědných obrech na základních a středních školách. Olomouc: UPOL, 2015. ISBN 978-80-2444564-9.
53
PROFESNÍ CURRICULUM VITAE Vzdělání: 1988 - 1993
Titul Mgr., UP Olomouc, Přírodovědecká fakulta, Obor: Učitelství matematika – výpočetní technika
2003 – 2005
VŠE Praha, Fakulta financí a účetnictví, Rozšiřující studium: Učitelství administrativy a obchodní korespondence
2007 – 2009
Mendlova zemědělská a lesnická Institut celoživotního vzdělávání,
univerzita
techniky v Brně,
Studium k výkonu specializovaných činností – koordinace v oblasti informačních a komunikačních technologií 2011 – dosud Ph.D. student (4. ročník), Pedagogická fakulta, Ostravská Univerzita v Ostravě, Obor Informační a komunikační technologie ve vzdělávání
Profesní praxe: 1993 – 2001
OA, Šumperk, Hlavní třída 31
2001 - 2010
učitelka matematiky, výpočetní techniky a správce školní sítě
SOŠ, Šumperk, Zemědělská 3
učitelka výpočetní techniky, administrativy a obchodní korespondence,
ICT koordinátor, 54
administrátorka školního informačního systému,
předsedkyně sekce výpočetní techniky a grafických předmětů
2010 – dosud Moravská vysoká škola Olomouc, o.p.s. - Ústav informatiky a aplikované matematiky
odborný asistent,
ročníková učitelka
Přehled vyučovaných předmětů na MVŠO:
Informatika pro ekonomy 1
Informatika pro ekonomy 2
Informatika pro ekonomy 3
Databázové systémy
Podnikové informační systémy
Znalostní systémy
Tvorba elektronické dokumentace
Účast na řešení projektů Projekt ESF - Aplikovatelný systém dalšího vzdělávání pro VaV, č. 1.07/2.3.00/09.0134, OP VK - členka řešitelského týmu (doba realizace 2010 -2012) Projekt ESF - Zvyšování konkurenceschopnosti absolventů MVŠO inovací vybraných studijních předmětů s důrazem na znalostní ekonomiku, případové studie, využití moderních ekonomických softwarů, inovaci didaktiky a regionální aspekty, č. Z.1.07/2.2.00/15.0239, OP VK – členka řešitelského týmu (doba realizace 2010 – 2013) 55
GAČR 403-12-1811 – Vývoj nekonvenčních metod manažerského rozhodování v oblasti podnikové ekonomiky a veřejné ekonomie – členka řešitelského týmu (doba řešení 2012 – 2014) Vzdělávací program - Začátek podnikání a zvyšování konkurenceschopnosti: Modul Moravské vysoké školy Olomouc - školitel vzdělávacího kurzu (doba realizace 2013) Projekt ESF - Moderní přístup k aplikaci matematických dovedností v přírodovědných a ekonomických oborech, č. Z.1.07/2.2.00/28.0168, OP VK - členka řešitelského týmu (doba realizace 2014 -2015) Projekt ESF – Zvyšování obecných kompetencí občanů v malých obcích Olomouckého kraje, č. CZ.1.07/3.1.00/50.0131, OP VK - expert KA5Základní počítačové dovednosti a školitel modulu (doba realizace 2014 – 2015) Projekt ESF – Moderní učitel. CZ.1.07/1.3.00/51.0041, OP VK – tvůrce studijních opor a mentor modulů B2, B3 (doba realizace 2014 – 2015)
56